The Independent Sentinel #21
El ascenso de Pytorch, IA compositiva y la máquina de Ramanujan
¡Hola!
Soy Javier Fuentes, de Akoios, bienvenido una vez más a The Independent Sentinel, el boletín mensual en español en el que hablamos sobre Ciencia de Datos e Inteligencia Artificial desde una perspectiva didáctica y accesible.
Si quieres recibir la newsletter directamente en tu e-mail, basta con que te suscribas pulsando este botón:
Esta edición está dedicada a la librería Pytorch, a la composición de modelos y a uno de los matemáticos más especiales de la historia.
¡Arrancamos! 👇🏻
🎼 ¿Quieres banda sonora? ¡Dale al Play!
1. Ciencia de Datos
Herramientas 🛠
Si eres científico de datos o tienes alguna relación con este mundo, seguramente hayas oído hablar de librerías como TensorFlow, Keras o Pytorch.
Pese a su juventud, Pytorch se ha convertido en una de las principales y más usadas alternativas para el desarrollo de modelos por su sencillez, facilidad de uso y su fantástica documentación.
Pytorch se basa en Torch, y es una librería open-source que fue creada por el departamento de investigación IA de Facebook (FAIR - Facebook’s AI Research Lab) en 2016. En sus inicios tenía como objetivo proporcionar una alternativa mejorada y compatible a NumPy, pero con dos principales rasgos diferenciales:
Uso de Tensores: Los tensores son estructuras matriciales de datos asimilables a los típicos arrays n-dimensionales de NumPy pero con la importante diferencia de que éstos pueden también ser utilizados sobre las rápidas y potentes GPUs.
Implementación de Redes Neuronales Profundas mediante Diferenciación Automática, una técnica numérica para optimizar el cálculo computacional de derivadas.
Como muestra del éxito y tracción de esta librería, no hay más que ver la multitud de modelos, tutoriales, proyectos, papers, libros y vídeos explicativos que hay sobre ella. Y no solo eso, poco a poco, Pytorch se está convirtiendo en un estándar de facto para del desarrollo y diseño de modelos Deep Learning.
Como consecuencia del creciente interés sobre esta librería, en el repositorio The Incredible Pytorch se recoge una exhaustiva lista de variadísimos recursos sobre Pytorch.
El repositorio incluye desde referencias básicas relativas a tratamiento de datos hasta ejemplos específicos de detección de objetos, CNNs (redes neuronales convolucionales) o GANs. ¡Merece la pena echarle un vistazo!
Tendencias 📈
En el ámbito de la tecnología es muy común infravalorar los avances a medio-largo plazo (10-20 años) a la vez que se sobrevaloran los avances a corto plazo (1-5 años).
Esto no es distinto en el mundo de la Inteligencia Artificial. No paramos de ver avances que nos hacen pensar que todo está a la vuelta de la esquina pero, muy seguramente, los grandes cambios e impactos transformadores no empecemos a verlos hasta dentro de algo más de tiempo.
Una de las métricas clave para cuantificar la adopción de una tecnología y su impacto, se obtiene analizando su presencia -en términos operativos- dentro de la industria. A este respecto, en los últimos tiempos se viene hablando del concepto de Enterprise AI para clasificar los diversos Casos de Uso en el entorno de la empresa.
Una idea clave en el desarrollo y madurez de la IA/ML es que, aún a día de hoy, los modelos se desarrollan para dar solución a una sola tarea específica (una predicción, una clasificación, la detección de un determinado ítem en una imagen…).
Esto aplica igualmente a las tendencias que vimos en TIS #11 cuando hablamos de modelos ensemble (usar varios modelos para mejorar una única predicción/clasificación) o cuando hablamos de modelos federados en TIS #9 (modelos que usan fuentes de datos de distintas organizaciones para su entrenamiento)
Dentro de la idea de Enterprise AI, se está empezando a popularizar el concepto de IA compositiva, que no es otra cosa que el uso generalizado y común de diversos modelos que puedan aplicar a solventar diversos problemas dentro de una compañía.
Nada mejor que un ejemplo para ilustrar esta idea. Pensemos en una empresa industrial en la que hay dos procesos (Gestión de Stock y Detección de defectos de Fabricación) que, en distintas partes de sus flujos, hacen uso o “consumen” una serie de (micro)servicios IA/ML que tienen en común.
Yendo un poco más allá, la idea de esta composición es poder generar un ecosistema de modelos que puedan ser combinados de manera arbitraria para dar solución a diversos casos de uso o a procesos de negocio más complejos. Estas combinaciones abren la puerta a obtener soluciones más diversas, flexibles y modulares que nos permitirán solucionar más problemas con las mismas herramientas y soluciones generales.
👉🏻 Akoios está activamente trabajando para facilitar la adopción de la Enterprise AI en el mundo empresarial, facilitando la construcción de ecosistemas que favorezcan la IA compositiva. Si quieres saber más, escríbenos aquí y te contamos.
2. Historias 📔
Un misterioso paquete 📦
A mediados de Enero de 1913, G.H. Hardy, uno de los más famosos matemáticos de la época, recibió en su despacho del Trinity College de Cambridge un paquete procedente de Madrás (la actual Chennai), una ciudad del este de la India.
El paquete contenía multitud de hojas manuscritas y venía acompañado de una carta de presentación escrita por un joven matemático llamado Srinivasa Ramanujan.
En la carta, Ramanujan se presentaba como un humilde oficinista del puerto de Madrás que vivía en situación precaria con una salario de £20 anuales y que no había recibido una educación matemática universitaria formal.
Tras su presentación, hablaba en su carta de las averiguaciones que había realizado por su cuenta en el campo de las series divergentes. Estos descubrimientos no eran para nada desdeñables, ya que Ramanujan planteaba avances significativos en el campo de las series temporales y proporcionaba una solución a un problema aún no resuelto: la distribución de los números primos.
La sorprendente carta acababa con una petición muy especial para Hardy: Que revisase su trabajo en busca de errores para que, en el caso de no haberlos, publicase alguno de los teoremas que había desarrollado, algo imposible para él dada su situación de casi extrema pobreza.
Hardy quedó perplejo al leer la carta y la serie de teoremas y demostraciones que Ramajunan adjuntó en el paquete. Entre los escritos, encontró algunas fórmulas reconocibles (a las que Ramajunan había llegado por sus propios medios) mientras que otras, en sus propias palabras, le “parecían casi imposibles de creer”
Un compañero de Hardy, Un colega, E. H. Neville, llegó a aseverar lo siguiente
"ni uno solo de los [teorema]s podría haberse incluido en el examen de matemáticas más avanzado del mundo".
Aún dubitativo, Hardy contestó a Ramanujan interesándose por su trabajo y solicitando pruebas adicionales de las afirmaciones que Srinivasan había realizado en su misiva.
Pese a la reticencia inicial de Ramanujan de viajar a Cambridge, éste continuó manteniendo una asidua correspondencia con Hardy y otros compañeros suyos.
Un largo periplo 🚢
Finalmente, el 16 de Marzo de 1914, después de obtener finalmente el permiso por parte de sus padres (hecho que había motivado su negativa inicial a viajar a Inglaterra), Ramanujan embarcó en el SS Nevasa desde el puerto de Madrás destino Londres, dónde llegaría el 14 de Abril y sería recibido por el propio Hardy.
Ramanujan se mudó a la casa de Neville y se puso a trabajar de forma inmediata con él y con Hardy, colaboración que duró casi cinco años y en la que dejó patente su prodigiosa habilidad para las matemáticas. Según Hardy, su talento era solo comparable al de Euler o Jacobi.
En Diciembre del 1917 fue nombrado miembro de la Sociedad matemática de Londres y, en 1918, miembro de la Royal Society y del Trinity College, algo inaudito para una persona de origen indio
Un taxi n̶a̶d̶a̶ especial 🚕
La salud de Ramanujan siempre había sido frágil. Su forma de vida, su dieta y su obsesión por el trabajo tampoco le habían ayudado demasiado en este sentido. Tras ser diagnosticado de tuberculosis fue internado en un sanatorio dónde recibía asiduamente visitas de su buen amigo Hardy.
En una de estas visitas, tuvo lugar la anécdota más conocida -y más ilustrativa- sobre este genio. Al entrar Hardy en la habitación y encontrar a Ramanujan ya muy enfermo, rompió el hielo contándole que había llegado al hospital en un taxi con una matrícula muy poco interesante: “1729”, a lo que Ramanujan replicó:
¡No diga usted eso! El número 1729 es muy interesante, pues es el número más pequeño expresable como suma de dos cubos de dos maneras diferentes, ya que 1729 = 1^3 + 12^3 y también 1729 = 9^3 + 10^3.
Desde entonces, a aquellas cifras que son el menor número que se puede descomponer como n sumas distintas de dos cubos positivos se les llama números Taxicab y, por ahora, solo conocemos 6 de ellos.
Al empeorar de su estado, Ramanujan decidió volver a la India en 1919, dónde murió en 1920 a la temprana edad de 32 años. Pese a que no están claras las verdaderas causas de su muerte, se estima que pudo ser causada por una infección parasitaria muy generalizada en Madrás.
La máquina de Ramanujan
Además de por su historia vital, el legado de Ramanujan sigue vigente por el impacto -directo e indirecto- de sus trabajos. A lo largo de su corta vida, Ramanujan identificó novedosas ecuaciones e identidades, entre ellas una muy conocida para calcular grandes cantidades de decimales de 𝜋.
Ramanujan tenía un talento sobrehumano para los números y una habilidad para encontrar patrones invisibles para el resto de matemáticos.
Inspirados por esta extraordinaria capacidad de Ramanujan para generar de manera intuitiva formulaciones matemáticas, científicos del Instituto de Tecnología Technion de Israel, han desarrollado un generador de conjeturas basado en Inteligencia Artificial llamado: La máquina de Ramanujan.
Las conjeturas matemáticas (afirmaciones que se suponen ciertas pero que no se han podido probar aún) suponen una de las principales herramientas de los matemáticos para realizar avances y descubrimientos en este campo.
Tal y como cuentan en su web, la máquina de Ramanujan se puede considerar como un nuevo modo de hacer matemáticas soportado por cálculos computacionales. A día de hoy, este modelo ha encontrado decenas de nuevas conjeturas que pueden abrir nuevos caminos para la investigación.
A la vista de estos progresos, parece que la IA puede ser también un fantástico aliado en un campo tan complejo y abstracto como las matemáticas. Esperemos que pueda generar muchas conjeturas y, sobre todo, que logremos ir probándolas aunque no tengamos ya entre nosotros a alguien tan brillante como Srinivasa Ramanujan.
Hay una reflexión final a la que me lleva inevitablemente la historia de este matemático. Ramanujan tuvo la suerte de encontrar a alguien que le escuchó y le ofreció la oportunidad de desarrollar su potencial. ¿Cuántas personas como Ramanujan habrán pasado desapercibidas a lo largo de la historia? ¿Cuántos genios sin descubrir hay en el mundo a día de hoy?
Esperemos que la tecnología y el desarrollo humano nos permitan llegar a un futuro en el que todo el mundo pueda desarrollar sus capacidades y en el que, de ningún modo, la humanidad pueda perder a un solo genio.
¡Gracias como siempre por leer hasta aquí!
¿Disfrutas The Independent Sentinel? ¡Ayúdanos a que nos conozca más gente compartiendo esta publicación!
Si tienes comentarios o quieres iniciar una conversación, recuerda que puedes hacerlo fácilmente al final de la publicación.
Si te has perdido alguna edición de la newsletter, puedes leer todas aquí.
👉 Si quieres conocer mejor cómo funciona nuestra tecnología Titan, puedes revisar nuestra serie de tutoriales publicados en Medium.
👉 Si te interesa, puedes solicitar un acceso gratuito para probar Titan aquí https://lnkd.in/gPz-2mJ